A.I. 日报
开发者基于Jev视觉模型推出图片问答游戏
开发者Jose Sabater围绕TypeSafe新视觉模型Jev制作了图片问答游戏Jev Cards，模型约四分之一秒即可读图作答。该游戏提供单人排行榜和多人对战模式，代码已开源。
TypeSafe
11 篇报道TypeSafe 是一家开发“System One”决策模型的 AI 公司，其代表产品是 Jev。近期报道围绕 Jev 展开：TypeSafe 称 Jev 在结构化决策任务上快 20–200 倍、便宜 40–400 倍，并已开放早期访问；此外，开发者基于 Jev 做出了图片问答游戏 Jev Cards，开源社区也推出了 Von、CUA-S1 等受 Jev 启发的模型，Cloudflare 的 Clairic 同样属于这一类别。另有研究者指控 TypeSafe 抄袭其研究，并有分析认为 OpenAI 可能跟进类似能力。
相关话题
- JEV8
- OpenAI2
- Qwen3.52
- Claude Code1
- Jose Sabater1
- Opper1
- Clairic1
- Cloudflare1
- Workers AI1
- Microsoft1
- Gemma 41
- Hugging Face1
Cloudflare预览发布Clairic抽取模型
Cloudflare在Workers AI上以@cf/cloudflare/clairic托管推出Clairic预览版，称其在从非结构化输入抽取、估算和预测数值时，准确率、延迟和成本均优于传统LLM。该模型属于受TypeSafe的Jev启发而出现的System One抽取模型类别，Cloudflare计划不久后开放权重。
研究者称TypeSafe抄袭其研究，决策模型涌入市场
一名研究者指控TypeSafe抄袭其研究成果，与此同时轻量级“System One”类决策模型大量涌入AI市场，微软、OpenAI等公司也在发布此类模型。
本地训练0.8B决策模型Jeff发布，约30毫秒
开源项目Jeff发布基于Qwen3.5和Gemma 4微调的0.8B/2B零样本决策模型，单次前向传播输出校准概率，无生成文本，在RTX PRO 6000上约22毫秒、M4 Max上约28毫秒；仅用本地硬件和开源模型生成数据训练，并在Hugging Face开放权重。
Ollaya：决策模型推理延迟仅10毫秒
Ollaya是面向本地硬件的开源决策模型服务，用单次前向传播替代逐token生成，五个问题请求端到端约10毫秒。它提供兼容TypeSafe的端点，官方Python SDK 0.7.1可直接使用，支持Laya、decider、nli等开放模型。
分析：OpenAI或快速跟进TypeSafe的Jev模型
Arcturus Labs文章认为，TypeSafe的Jev模型采用接近传统大语言模型的方法，OpenAI有望快速跟进复制该能力并融入自有模型与代理。关键因素在于TypeSafe能否凭借训练数据和流程建立护城河。
Kev：基于Qwen3.5的微型决策模型家族
开发者jaredpalmer发布Kev，一系列基于Qwen3.5的小型决策模型，提供0.8B、4B和9B参数版本，含预训练权重、训练代码与评测数据。模型支持是/否、多选和评分问题，可在CUDA与Apple Silicon上运行，4B和9B模型用bf16可装入32GB Mac，API与TypeSafe System One兼容。
开源395M“System One”模型Von发布
开发者发布开源模型Von，参数量395M，作为TypeSafe JEV的即插即用替代，可在CPU上运行且仅需1-2GB内存，响应时间25-300毫秒，在所有基准测试中超越JEV。开发者还表示正在寻找AI研究实验室的工作机会。
CUA-S1发布：用于计算机操作的System One模型
Cua团队发布CUA-S1-FORMS，一种专用于表单交互的窄域决策模型，仅70.6万参数，原始检查点2.8MB，训练不到30分钟。该模型受TypeSafe JEV和Kahneman双系统理论启发，为给定元素预测使用、勾选、点击或跳过等操作，不生成新值或考虑截图。
开源复现 Jev-like 模型并附游戏示例
开源项目发布了可对多个选项一次性打分的 Jev-like 小模型并附 Doom 与国际象棋示例；报告称 Doom 检查点在10个回合平均0.60击杀和-97.50奖励，棋类检查点对随机对手表现为4胜46和0负，但对 Stockfish level 0 为0胜2和48负。
TypeSafe 推出 Jev：号称更快更廉价的前沿模型
TypeSafe 发布 System One 系列与首款模型 Jev，宣称在结构化决策任务上比现有大模型快 20–200×、成本低 40–400×，并采用新架构、并行采样与 RLCD 训练方法，首次推出早期访问。
已经到底了